Burtons Malkiels (The Random Walk Down Wall Street, 1973) ieteica: "Aklām acīm skatoties pērtiķiem, kas met šautriņas laikraksta finanšu lapās, varētu izvēlēties portfeli, kas darītu tikpat labi, kā vienu, kuru rūpīgi atlasījuši eksperti." Kaut arī evolūcija varēja padarīt cilvēku par saprātīgāku krājumu atlasē, Čārlza Darvina teorija ir izrādījusies diezgan efektīva, ja to piemēro tiešāk.
TUTORIAL: Krājumu vākšanas stratēģijas
Kas ir ģenētiskie algoritmi?
Ģenētiskie algoritmi (GA) ir problēmu risināšanas metodes (vai heiristika), kas imitē dabiskās evolūcijas procesu. Atšķirībā no mākslīgajiem neironu tīkliem (ANNs), kas paredzēti smadzeņu neironu funkcionēšanai, šie algoritmi izmanto dabiskās atlases jēdzienus, lai noteiktu labāko problēmas risinājumu. Tā rezultātā GA parasti tiek izmantoti kā optimizētāji, kas pielāgo parametrus, lai samazinātu vai palielinātu atgriezeniskās saites rādītāju, ko pēc tam var izmantot neatkarīgi vai ANN veidošanā. (Lai uzzinātu vairāk par ANNS, skatiet: Neironu tīkli: peļņas prognozēšana .)
Finanšu tirgos ģenētiskos algoritmus visbiežāk izmanto, lai tirdzniecības noteikumos atrastu vislabākās parametru kombinācijas vērtības, un tos var iebūvēt ANN modeļos, kas izstrādāti, lai atlasītu krājumus un identificētu darījumus. Vairāki pētījumi ir pierādījuši šo metožu efektivitāti, ieskaitot "Ģenētiskos algoritmus: krājumu novērtēšanas ģenēze" (2004) un "Ģenētisko algoritmu pielietojums akciju tirgus datu ieguves optimizācijā" (2004). (Plašāku informāciju skatiet sadaļā Tirdzniecības algoritmu izveide .)
Kas ir ģenētiskie algoritmi?
Kā darbojas ģenētiskie algoritmi
Ģenētiskos algoritmus matemātiski izveido, izmantojot vektorus, kas ir lielumi, kuriem ir virziens un lielums. Katra tirdzniecības noteikuma parametri ir attēloti ar viendimensiju vektoru, ko ģenētiski var uzskatīt par hromosomu. Tikmēr katrā parametrā izmantotās vērtības var uzskatīt par gēniem, kurus pēc tam modificē, izmantojot dabisko atlasi.
Piemēram, tirdzniecības noteikums var ietvert tādu parametru izmantošanu kā mainīgā vidējā konverģences diverģence (MACD), eksponenciāli mainīgais vidējais (EMA) un stohastika. Ģenētiskais algoritms tad ievadīs vērtības šajos parametros ar mērķi maksimizēt tīro peļņu. Laika gaitā tiek ieviestas nelielas izmaiņas, un tās, kas rada vēlamo efektu, tiek saglabātas nākamajai paaudzei.
Pēc tam var veikt trīs ģenētisko operāciju veidus:
- Krosoveri atspoguļo bioloģijā novēroto reprodukciju un krustošanos, kurā bērns iegūst noteiktas vecāku iezīmes.Mutācijas attēlo bioloģisko mutāciju un tiek izmantotas ģenētiskās daudzveidības uzturēšanai no vienas populācijas paaudzes uz nākamo, ieviešot nejauši nelielas izmaiņas.Atlases ir posms, kurā atsevišķi populācijas genomi tiek izvēlēti no populācijas vēlākai pavairošanai (rekombinācija vai krustojums).
Pēc tam šīs trīs operācijas tiek izmantotas piecu soļu procesā:
- Inicializējiet izlases kopu, kur katra hromosoma ir n garuma, kur n ir parametru skaits. Tas ir, tiek izveidots nejaušs parametru skaits ar n elementiem katrā.Izvēlieties hromosomas vai parametrus, kas palielina vēlamos rezultātus (domājams, tīrā peļņa). Piemērotajiem vecākiem piemēro mutācijas vai crossover operatorus un rada pēcnācējus. pašreizējo populāciju, lai kopā ar atlases operatoru izveidotu jaunu populāciju. Atkārtojiet otro līdz ceturto darbību.
Laika gaitā šis process radīs arvien labvēlīgākas hromosomas (vai parametrus) izmantošanai tirdzniecības noteikumos. Pēc tam process tiek pārtraukts, ja ir izpildīti apstāšanās kritēriji, kas var ietvert skriešanas laiku, piemērotību, paaudžu skaitu vai citus kritērijus.
Ģenētisko algoritmu izmantošana tirdzniecībā
Kaut arī ģenētiskos algoritmus galvenokārt izmanto institucionālie kvantitatīvie tirgotāji, individuālie tirgotāji var izmantot ģenētisko algoritmu jaudu - bez augstākās matemātikas grāda - izmantojot vairākas tirgū esošas programmatūras paketes. Šie risinājumi ir sākot no atsevišķām finanšu tirgiem paredzētām programmatūras paketēm līdz Microsoft Excel papildinājumiem, kas var atvieglot praktisku analīzi.
Izmantojot šīs lietojumprogrammas, tirgotāji var definēt parametru kopu, kas pēc tam tiek optimizēta, izmantojot ģenētisko algoritmu un vēsturisko datu kopu. Dažas lietojumprogrammas var optimizēt izmantotos parametrus un to vērtības, savukārt citas galvenokārt ir vērstas tikai uz parametru kopas vērtību optimizēšanu. (Lai uzzinātu vairāk par šīm no programmas atvasinātajām stratēģijām, skatiet sadaļu: Programmu darījumu potenciāls .)
Līknes pielāgošana (pārmērīga pielāgošana) vai tirdzniecības sistēmas projektēšana, balstoties uz vēsturiskiem datiem, nevis atkārtojamas uzvedības identificēšana, rada potenciālu risku tirgotājiem, kuri izmanto ģenētiskos algoritmus. Jebkura tirdzniecības sistēma, kurā tiek izmantoti GA, pirms tiešās izmantošanas ir jāpārbauda uz papīra.
Parametru izvēle ir svarīga procesa sastāvdaļa, un tirgotājiem jāmeklē parametri, kas korelē ar konkrētā vērtspapīra cenas izmaiņām. Piemēram, izmēģiniet dažādus rādītājus, lai redzētu, vai kāds no tiem korelē ar lielākajiem tirgus pagriezieniem. (Plašāku informāciju skatiet: Pareizās algoritmiskās tirdzniecības programmatūras izvēle .)
Grunts līnija
Ģenētiskie algoritmi ir unikāli veidi, kā atrisināt sarežģītas problēmas, izmantojot dabas spēku. Izmantojot šīs metodes vērtspapīru cenu prognozēšanai, tirgotāji var optimizēt tirdzniecības noteikumus, nosakot labākās vērtības, kas jāizmanto katram parametram konkrētam vērtspapīram. Tomēr šie algoritmi nav Svētais Grāls, un tirgotājiem jābūt uzmanīgiem, izvēloties pareizos parametrus, un tie nedrīkst būt atbilstoši līknei. (Lai iegūtu papildinformāciju, izlasiet: Kā kodēt savu Algo tirdzniecības robotu .)
